Fugu-MT 論文翻訳(概要): TigerLily: Finding drug interactions in silico with the Graph

論文の概要: TigerLily: Finding drug interactions in silico with the Graph

arxiv url: http://arxiv.org/abs/2204.08206v1
Date: Mon, 18 Apr 2022 07:57:43 GMT
ステータス: 処理完了
システム内更新日: 2022-04-19 21:11:53.028186
Title: TigerLily: Finding drug interactions in silico with the Graph
Title（参考訳）: tigerlily: the graphによるシリコの薬物相互作用の解明
Authors: Benedek Rozemberczki
Abstract要約: Tigerlilyは、薬物相互作用予測タスクを解決するために設計されたTigerGraphベースのシステムである。この機械学習タスクでは、2つの薬物が有害な相互作用を持つかどうかを予測したい。
参考スコア（独自算出の注目度）: 3.464656011246703
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tigerlily is a TigerGraph based system designed to solve the drug interaction prediction task. In this machine learning task, we want to predict whether two drugs have an adverse interaction. Our framework allows us to solve this highly relevant real-world problem using graph mining techniques in these steps: (a) Using PyTigergraph we create a heterogeneous biological graph of drugs and proteins. (b) We calculate the personalized PageRank scores of drug nodes in the TigerGraph Cloud. (c) We embed the nodes using sparse non-negative matrix factorization of the personalized PageRank matrix. (d) Using the node embeddings we train a gradient boosting based drug interaction predictor.
Abstract（参考訳）: Tigerlilyは、薬物相互作用予測タスクを解決するために設計されたTigerGraphベースのシステムである。この機械学習タスクでは、2つの薬物が有害な相互作用を持つかどうかを予測したい。私たちのフレームワークは、グラフマイニング技術を使って、この非常に関連性の高い現実世界の問題を解決することができます。 (a)pytigergraphを用いて、薬物とタンパク質の異種生物学的グラフを作成する。 b) TigerGraph Cloudにおける薬物ノードのパーソナライズされたPageRankスコアを計算する。 (c) パーソナライズされたPageRank行列のスパース非負行列分解を用いてノードを埋め込む。 (d) ノード埋め込みを使用すると、勾配ブースティングに基づく薬物相互作用予測器を訓練する。

関連論文リスト

Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
論文参考訳（メタデータ） (2023-07-13T13:55:57Z)
Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文参考訳（メタデータ） (2023-06-11T22:04:28Z)
Unlearnable Graph: Protecting Graphs from Unauthorized Exploitation [68.59161853439339]
学習不可能なグラフの例を生成するための新しい手法を提案する。 Error-Minimizing Structure Poisoning (EMinS) モジュールを使ってグラフに妄想的だが知覚不可能なノイズを注入することにより、グラフを説明不能にすることができる。
論文参考訳（メタデータ） (2023-03-05T03:30:22Z)
A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文参考訳（メタデータ） (2022-11-30T10:12:41Z)
Finding MNEMON: Reviving Memories of Node Embeddings [39.206574462957136]
元のグラフのノード埋め込み行列にのみアクセスすることで、敵が適切な精度でエッジを復元できることが示される。広範囲な実験を通してグラフ回復攻撃の有効性と適用性を示す。
論文参考訳（メタデータ） (2022-04-14T13:44:26Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
A step towards neural genome assembly [0.0]
我々はMPNNモデルを最大集約器で訓練し、グラフ単純化のためのいくつかのアルゴリズムを実行する。アルゴリズムがうまく学習され、トレーニングで使用されるグラフの最大20倍の大きさのグラフにスケールできることを示す。
論文参考訳（メタデータ） (2020-11-10T10:12:19Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Latent-Graph Learning for Disease Prediction [44.26665239213658]
我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
論文参考訳（メタデータ） (2020-03-27T08:18:01Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)
Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文参考訳（メタデータ） (2020-03-10T02:33:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。